基于K-means聚类的GeoTIFF灰度图像压缩算法实现咨询

我来帮你把这个图像处理流程和代码整理得清晰易用，完全贴合你的需求：

1. 数据预处理步骤 #

• 原始GeoTIFF灰度图像对应的二维数组尺寸为 (4377, 6172)
• 先截取数组的前1024×1024区域（总计 1024*1024=1048576 个数值），作为压缩算法的输入数据
• 经过压缩算法处理后，得到包含4个数值的 finalmatrix 列表变量

2. K-means聚类算法实现代码 #

接下来针对 finalmatrix 中的数值应用K-means聚类，我把完整可运行的代码整理好了，你可以直接参考使用：

import numpy as np
from osgeo import gdal
from sklearn import cluster
import matplotlib.pyplot as plt

# 1. 读取GeoTIFF图像（替换为你的实际文件路径）
dataset = gdal.Open('your_geotiff_image.tif')
if dataset is None:
    raise FileNotFoundError("找不到指定的GeoTIFF文件，请检查路径是否正确")

# 2. 获取图像二维数组并截取前1024x1024区域
img_array = dataset.ReadAsArray()
cropped_array = img_array[:1024, :1024]

# 3. 替换为你的压缩算法逻辑，生成finalmatrix
# 示例：假设压缩后得到4个数值的列表
# finalmatrix = your_custom_compression_function(cropped_array)
finalmatrix = [15.3, 42.1, 14.8, 41.7]  # 仅为示例，替换为实际压缩结果

# 4. 转换数据格式以适配sklearn的K-means要求
finalmatrix_np = np.array(finalmatrix).reshape(-1, 1)

# 5. 执行K-means聚类（聚类数可根据需求调整，这里设为2）
kmeans_model = cluster.KMeans(n_clusters=2, random_state=42)
cluster_labels = kmeans_model.fit_predict(finalmatrix_np)
cluster_centers = kmeans_model.cluster_centers_

# 6. 可选：可视化聚类结果，直观查看分组情况
plt.figure(figsize=(8, 4))
plt.scatter(range(len(finalmatrix)), finalmatrix, c=cluster_labels, cmap='coolwarm', s=100)
plt.scatter(range(len(cluster_centers)), cluster_centers.flatten(), c='black', marker='X', s=200, label='聚类中心')
plt.title('压缩后数值的K-means聚类结果')
plt.xlabel('数值索引')
plt.ylabel('灰度数值')
plt.legend()
plt.show()

代码小提示 #

• 务必把代码中的 your_geotiff_image.tif 替换成你实际的GeoTIFF文件路径
• 压缩算法部分需要你替换成自己的实现逻辑，代码里用注释标注了位置
• K-means的聚类数 n_clusters 可以根据你的业务需求调整，示例中设为2
• 可视化部分是可选功能，能帮你直观看到数值的聚类分组效果

内容的提问来源于stack exchange，提问作者Akshay Parmar